- 🔭 广东工业大学 计算机科学与技术 本科在读
- 🤖 热爱人工智能与大模型技术，深耕 RAG / LLM / NLP / 知识图谱
- 🏆 Kaggle: The 2026 NeuroGolf Championship — 全球 Top 100（银牌）
- 🏆 蓝桥杯省赛二等奖
- ⭐ GitHub 开源项目累计获得 250+ Stars
- ✍️ 在 CSDN 上持续输出高质量技术文章
- 🌐 英语 CET-6 / IELTS 6.0 · 中文母语
端到端 RAG 智能问答系统，融合语义检索与 MySQL 结构化查询双引擎，覆盖 AI、Java、大数据、运维等多学科。
- 🔀 两级检索架构: BERT 意图分类器自动路由 → BM25 关键词匹配 → 不足时自动降级深度语义检索
- 🔍 混合向量检索: BGE-M3 稠密+稀疏双路检索 + BGE-Reranker 精排；LLM 自适应选择 HyDE / 子查询分解 / 回溯 / 简化 4 种检索策略
- 📄 多格式文档: 支持 PDF、DOCX、PPT、PNG/JPG (OCR)，父子块切分兼顾精度与上下文
- ⚡ 工程优化: Redis 缓存 + MySQL 持久化 + Docker 容器化部署
- 📊 Ragas 评测: 答案相关性 ≥ 0.89，忠实性 ≥ 0.9，1000 条测试集准确率 90%
从数据采集到智能问答的端到端全栈闭环，融合 Neo4j 知识图谱 + LangGraph 智能工作流 + DeepSeek 大模型。
- 🧠 知识图谱: Neo4j 中构建 6 种实体类型、6 种关系类型，规模达 19,419 节点 / 47,088 关系；BGE-Large-Zh-v1.5 + FAISS 语义索引
- 🔀 LangGraph 工作流: 14 节点有状态 StateGraph，3 条自动路由链路（中医问答 / 小红书内容发布 / 非中医兜底）
- 🔄 Cypher 自修正: 校验失败自动回传 LLM 重新生成，最多重试 3 次，兼顾准确率与 Token 成本
- 🎯 双模型意图识别: RoBERTa+LoRA 微调（99.75% 准确率，F1=0.9975，仅训练 0.3M 参数/1.6MB 适配器）+ fastText 轻量模型，实现毫秒级零 Token 意图分类
- 🌐 前后端: FastAPI + SSE 流式 + Streamlit 三页面交互 + Playwright 小红书自动发布
覆盖传统机器学习、浅层神经网络、深度预训练模型、知识蒸馏四条技术路线的完整对比项目。基于 20 万条标注语料（10 分类）。
- 📈 四条技术路线: TF-IDF + 随机森林 → FastText (autotune) → BERT 全量微调 → BERT→TextCNN 知识蒸馏 (KL 散度+交叉熵)
- 📦 模型量化: PyTorch 动态量化 (int8)，模型体积 390MB → 146MB（压缩 62%），精度损失可控
- 🚀 模型服务化: Flask RESTful API，支持 FastText / 量化 BERT 按需切换
- 📊 四维对比: 模型体积 × 推理速度 × 分类精度 × 硬件需求，覆盖离线批量 / 实时服务 / 高精度 / 边缘部署场景
- 🔥 手撕 Transformer — 从零拆解 Transformer 架构，深入理解 Attention 机制
- 📚 更多教程：文本分类实战、RAG 系统构建、LoRA 微调指南、知识图谱入门
更多文章请关注我的 CSDN 博客
- 🔬 RAG 系统: 深度探索检索增强生成全流程优化 — 文档解析、Embedding、向量检索、重排序、多轮对话
- 🧠 知识图谱 + LLM: 探索 GraphRAG、知识图谱驱动的 Agent 工作流
- 🎯 模型高效微调: LoRA / QLoRA / P-Tuning 等 PEFT 技术实战，降低微调门槛
- 📦 模型压缩与部署: 量化 (GPTQ/AWQ)、蒸馏、剪枝，FastAPI SSE 流式部署
- 🤖 智能 Agent: LangGraph 多节点有状态工作流编排，工具调用与自主决策
- 📝 持续通过 GitHub 开源与 CSDN 技术博客输出高质量内容
